PURPOSES : This study develops a model that can estimate travel speed of each movement flow using deep-learning-based probe vehicles at urban intersections. METHODS : Current technologies cannot determine average travel speeds for all vehicles passing through a specific real-world area under obseravation. A virtual simulation environment was established to collect information on all vehicles. A model estimate turning speeds was developed by deep learning using probe vehicles sampled during information processing time. The speed estimation model was divided into straight and left-turn models, developed as fully-offset, non-offset, and integrated models. RESULTS : For fully-offset models, speed estimation for both straight and left-turn models achieved MAPE within 10%. For non-offset models, straight models using data drawn from four or more probe vehicles achieved a MAPE of less than 15%. The MAPE for left turns was approximately 20%. CONCLUSIONS : Using probe-vehicle data(PVD), a deep learning model was developed to estimate speeds each movement flow. This, confirmed the viability of real-time signal control information processing using a small number of probe vehicles.

Recently, car industry trend is downsizing, a lean-burn engine, green car and cost cutting. A turbocharger is the key components to improve fuel efficiency and power. This research is to study on the flow analysis in the performance analysis for change rotating speed of turbocharger turbine with three different rotating speed in the turbine. After measuring real design features, modeling, velocity distribution, pressure distribution and temperature distribution are conducted numerically. Torque and power are compared with three different cases in order to analyze the performance for turbine. Finally, optimum power is determined with the sequence of case 1, case 2, and case 3.

선행 차량과의 상대속도에 따른 차두거리 분포에 관한 연구를 위해 연속류 도로 중 국도에 설치된 차량검지기(VDS, Vehicle Detection System)의 교통정보 수집자료를 분석하였다. 수집자료를 차선별, 방향별로 정렬하여 선행 차량과 후행 차량 사이의 속도차이인 상대속도와 검지기 통과시간 및 차량의 속도를 이용하여 차두거리를 산출하였다. 모든 시간대를 대상으로 산출된 상대속도와 차두거리의 분석을 통해 두 변수간의 관계를 분석한 결과 고르게 분포하고 있는 것으로 나타났고 동일차량군 주행에서 차두거리의 중간값은 약 40m이며, 이는 자료구축 및 분석부분에서 언급한 A~D영역을 분류함에 있어 기준이 될 수 있었다. 시간대에 따른 차두거리 분포에 대한 분석을 위해 수집된 모든 자료의 교통량을 통해 첨두교통량을 산정하고 이를 기준으로 첨두시간과 비첨두시간을 분류하여 차두거리 분포의 차이를 분석하였다. 첨두시간은 비첨두시간에 비해 상대적으로 앞 차량과의 속도 차이가 적고 차두거리가 좁은 것으로 나타났기 때문에 선행차량과 같은 주행 패턴으로 추종한다고 할 수 있고 비첨두시간는 차두거리가 상대적으로 넓은 것으로 나타났다. 이는 운전자의 행태를 나타낼 수도 있는 것으로 차두거리가 좁을수록 공격적인 운전을 하며 본인의 총 통행시간을 줄이고자 하는 욕구가 크다고 미루어 짐작할 수 있겠다. 하지만 여가통행과 비첨두시간의 경우는 첨두시간에 비해 차두거리가 넓은 것으로 미루어보아 시간적 압박이 적어 상대적으로 여유로운 운전행태를 보인다고 할 수 있겠다.